标签
提出MSR-IVA，一种用于融合结构MRI与动态功能网络连接的状态感知框架，在阿尔茨海默病队列中，匹配源耦合提升6.5%，非匹配依赖降低15.7%。
本文提出了一种基于线性判别树集合的可解释多模态分类框架，该框架在准确性和可解释性之间取得平衡，在F1-mod增益和人工标注者一致性分数上优于Transformer模型。
本文提出了一种迭代代理校正框架，旨在通过优化语言代理来提升在处理不完整或损坏输入时多模态情感分析的鲁棒性，从而改进情感预测。
This paper introduces TIER-MoE, a risk-guided subspace mixture-of-experts model for multimodal biomedical classification that estimates sample-specific modality reliability from out-of-fold predictions and routes modalities to experts, improving performance and calibration on four public datasets.
本文提出了一种方法，利用冻结的医学大型语言模型（LLM）表示作为共享嵌入空间，从结构化和非结构化电子健康记录数据中预测主要ICD诊断类别，在MIMIC-IV上取得了优于基线方法的准确率，并展示了向MIMIC-III的迁移能力。
本文提出了一种防泄漏诊断方法，通过跨测试样本打乱可靠性分数，来检验质量感知多模态融合方法在推理时是否真的使用了这些分数。在StressID和CMU-MOSEI上的实验表明，打乱后的可靠性分数并未改变性能，说明质量信号仅在能可靠预测单模态正确性时才会影响决策。
本文评估了深度学习模型（LSTM、TCN、Transformer）在WESAD数据集上基于生理信号的多模态情感识别表现，结果表明集成方法达到了98.91%的准确率。
FusionSense提出了一种面向多模态边缘智能的三阶段近传感器学习框架，通过融合感知滤波同时降低计算与通信开销，在RGB-深度/激光雷达任务上实现高达33倍的能耗节省和显著的数据缩减收益。
MuteBench是一个基准测试，用于评估多模态融合模型在临床数据集上的模态缺失和模态内部缺失条件下的性能。它提供了关于架构鲁棒性的见解，并表明基于扩散的插补方法可以有所帮助。